买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：中国电子科技集团公司第五十四研究所

摘要：本发明提供一种基于关键点回归的卫星影像舰船部件检测方法，属于卫星影像识别领域，首先构建训练数据集，对遥感影像中的舰船位置、舰船类别及舰炮、垂直放射系统、舰桥、停机坪、舷号、起降跑道等部件类型及位置进行人工标注；其次采用最小化变异系数方法对训练数据进行数据扩增和均衡化处理；然后利用舰船目标及部件检测模型对卫星影像中任意旋转分布的舰船目标进行目标检测，同时根据检测结果对特征图及输入图像进行目标切片对齐操作；最后对目标及特征图切片进行关键点坐标及尺寸回归计算，得到舰船部件位置、边界、类别。相较于以往的舰船目标检测方法，本发明可以得到更细粒度的部件级检测结果，具备舰船精细识别能力。

主权项：1.一种基于关键点回归的卫星影像舰船部件检测方法，其特征在于，包括以下步骤：步骤1，构建卫星遥感影像舰船部件检测训练数据集，并对遥感影像中的部件类型及位置进行人工标注；其中，部件类型包括舰船位置、舰船类别及舰炮、垂直放射系统、舰桥、停机坪、舷号和起降跑道；步骤2，采用最小化变异系数方法对具备明显长尾效应的训练数据进行数据扩增和均衡化处理；步骤3，构建舰船目标及部件检测模型，包括目标检测网络和部件检测网络；其中，目标检测网络中的特征提取器采用局部稠密连接卷积神经网络和特征金字塔，局部稠密连接卷积神经网络用于对输入影像进行特征提取，特征金字塔用于对提取特征进行多尺度汇聚；步骤4，根据旋转框交并比计算准则，计算目标检测损失函数，依据舰船部件关键点编码表征方式计算部件检测损失函数，将目标检测损失函数和部件检测损失函数纳入到舰船目标及部件检测损失函数中；步骤5，利用扩增和均衡化处理后的训练数据集对舰船目标及部件检测模型进行训练，训练过程中根据目标检测网络输出的目标坐标，对目标检测网络的输入图像和特征金字塔汇聚的融合特征图进行目标切片对齐，得到插值规整后的目标及特征图切片，将目标及特征图切片作为部件检测网络的输入，通过反向传播优化算法循环迭代，得到训练好的舰船目标及部件检测模型；步骤6，将待检测影像输入到训练好的舰船目标及部件检测模型中，对舰船目标的预测坐标和舰船部件的关键点坐标和尺寸进行解码，在原始图像中标记舰船目标及部件检测结果；其中，步骤2中的数据扩增和均衡化方法具体为：设置数据集扩增倍数向量y，y＝{y1,y2,...yn|yi∈N+}，yi表示第i张影像的扩增倍数，N+表示正整数，统计训练数据集中所有影像中包含的目标类别数量，用矩阵X表示，其中Xi,j表示第i张影像中j类目标的个数，则训练数据集中各类目标数量的分布用向量z＝yΤX表示，z越趋近均匀分布，数据集分布就越趋近均衡化，为此建立如下最小化变异系数数学模型，对训练数据进行数据扩增和均衡化处理： 式中表示n维正整数向量，表示n×m维整数矩阵，n表示数据集影像数量，m表示数据集目标类别数量，y为决策变量，可行域为n维正整数向量，X为常量，目标函数为表示z＝yΤX的变异系数，约束条件为S∈N+，表示约束扩增之后的影像数量不大于S，对扩增的影像采用随机仿射变换、随机对比度变换、随机裁剪及加噪声处理；其中，步骤4中，目标检测损失包括位置损失、置信度损失和类别损失三部分；即：lossship＝lossobject+lossunitlossobject＝losslocation+lossobject_confidence+lossobject_class其中lossship为舰船目标及部件检测的损失函数，lossobject为舰船目标检测损失，lossunit为部件检测损失，losslocation为目标检测位置损失，lossobject_confidence为置信度损失，lossobject_class为类别损失；目标检测位置损失采用兼顾旋转框交并比、中心点距离和角度偏差的损失函数设计，具体为： 其中，p表示代表特征金字塔中的三层特征图，S表示每层特征图的网格尺寸，B表示每个网格预先设置的锚点框个数，IOU为预测框与真实框的交并比，discore为预测框与真实框中心点坐标的距离，disdiag为预测框与真实框最小外包矩形的对角线长度，sinθ为预测框与真实框长边夹角的正弦值，λ为角度损失系数；目标检测置信度损失采用交叉熵损失，目标检测类别损失采用二分交叉熵损失。

全文数据：

权利要求：

百度查询： 中国电子科技集团公司第五十四研究所 一种基于关键点回归的卫星影像舰船部件检测方法